丽莎老师讲机器人之机器人“增肌”不靠蛋白粉，人造肌肉了解。

在人体的种种组织中，肌肉是其中的关键一类。肌肉的体积不仅仅关系着人的外表，在日常活动时肌肉收缩牵引骨骼进行关节运动时，还起到了重要的杠杆作用。
也就是说，我们这个物种之所以能用两只小脚稳定住庞大身躯、灵活运动还能搬运沉重的物品，很大一部分原因来自于我们身上复杂的肌肉结构。
那么，这样的结构可以被复制到机器人领域吗？
机器人的肌肉，应该是由什么组成的？
目前主导机器人运动的一般都是液压、电机这些传统的供能形式，将电磁能进行能量传导进行运动，简单回忆一下挖掘机这一类大型机械的运作方式，就能想象到今天的机器人是如何工作的。
我们在物理课本上都学过，能量转换是有一定效率的，易用能量产生转换、难用能量在转换过程中消失。相比机械能和电能的互相转换，生物肌肉的能量来源是化学能，能量转换效率更高。
这也一定程度上造就了生物肌肉的特质：强大的拉力（每平方厘米约有5Kg）、灵活的伸缩性（收缩和伸长比率达到60%）以及极大的耐用性和自我修复能力。
相较之下，那些沉重的、僵硬的、还需要经常修理的机械简直是弱爆了。于是从上个世纪40年代以来，科学家们一直在进行人造肌肉方面的研究，试图将肌肉组织的优势应用到机械设备中去。
目前人造肌肉的形式大概有以下几种。
·气动类
气动人工肌肉可以说是人造肌肉里最为简单廉价的一种了，想象以下，在自己手臂下放置一个气球，通过气球不断充气，手臂自然也被气球胀大的体积抬起来了。
气动类人工肌肉就是通过柔性材料模仿肌肉组织，加上气压的驱动来模仿肌肉的柔软、灵活和轻便。
MIT就曾推出过一种可压缩软骨架+密封袋+气体/流体介质的人造肌肉，模仿折纸结构的弹性发力，能够提起比装置本身重1000倍的东西。
·智能材料类
智能材料包括很多种，例如可以通过高压静电驱动的电活化聚合物，或者能够通过环境温度变化而伸缩的凝胶等等。我们可以理解成一块橡胶被包裹在液体之中，通过液体温度的改变而产生热胀冷缩。
科罗拉多大学博尔德分校的科研学者们就研究出了这样一种材料装置HASEL，利用廉价的塑料制品填充绝缘液体，再连接上电极，就可以在电压通过时做出动作。在实验中，这种柔软的材料有69%的拉伸度（这个数字已经很接近生物肌肉了），并且能轻柔的抓起树莓、生鸡蛋这些脆弱的物体，不会像机械装置那样对物体产生破坏。而且这种材料非常廉价，制造一个能抓起鸡蛋的HASEL只需要10美分。
·人工培养类
论起丧心病狂来，还要看日本科学家。最近有新闻称，日本东京大学等团队研发出了世界上第一个生物肌肉机器人。附着在树脂骨骼之外的并不是气囊或凝胶，而是在培养皿中利用小鼠骨骼肌细胞培养出来的“真·肌肉组织”。
在电流的刺激下，单侧肌肉可以进行收缩运动，带动关节进行弯曲。从而可以勾起一些物品。不过因为涉及到生物组织培养，这种人造肌肉的造价会十分昂贵，同时会发生肌肉僵直等问题，目前还属于试验性质。
·谜之材料类
剩下的就用各种各样稀奇古怪的材料模仿肌肉组织的构成，然后利用热能、电能等等形式发力了。
例如德克萨斯大学的纳米科技专家利用“纺线”的形式把纳米纤维导管组成肌纤维，再在纤维导管中加入石蜡导热，通过石蜡的热胀冷缩促使肌肉运动。除了纳米纤维之外，还有记忆合金丝、压电陶瓷等等各种各样稀奇古怪的材料。但这些材料大多只能保证伸缩性，却不能保证效能和成本。
哪些机器人已经长出肌肉了？
虽然关于人造肌肉的研究很多，但我们目前一般只能在两个领域见到人造肌肉在机器人身上的应用。
一类是机械外骨骼。
气动人造肌肉凭借材料轻便、柔软舒适两大优势成为了机械外骨骼中最受欢迎的动力装置。
但问题是气动人造肌肉的动力源并不便于携带和移动，也不能像电力驱动那样通过充电来增强便携性。这就导致气动人造肌肉驱动的机械外骨骼提供的动力和使用场景总要有所局限，比如固定在某一地点使用，或者仅仅在手部、腿部等部位进行小规模应用。
但即使如此，气动人造肌肉也已经有很高的实用性了。比如可以在快递小哥短距离搬运物体时进行支撑，或者作为手部、腿部康复设备使用。
另一类则是软体机器人。
为了保证灵活性和伸缩性，人造肌肉应用的柔软材料和软体机器人不谋而合，甚至应该说正是因为有人造肌肉的研究进展，软体机器人的出现和应用才能成为可能。
机器人的应用场景分为两种，一种是结构化场景，例如工业生产。我们已经知道了机械手和车床之间的所有距离数据，可以实现精准控制。另一种则是非结构化场景，比如复杂空间的勘探。我们所掌握的数据很少，无法进行精准控制，这时柔软灵活的机器人在行动时就拥有更多优势。
不过目前软体机器人如果单纯靠人造肌肉驱动也会有很多问题，比如电极连通材料或温度变化影响材料的控制精密度都有限，一个只会胀大缩小的机器人在实际应用时用处都不大。很多时候还是要依靠机械装置和人造肌肉一齐驱动。
有肌肉的机器人……可能离我们还很远
其实我们很难在机器人身上看到人造肌肉应用的最关键原因，还是因为我们现在需要的是精密的机械控制。
机械手严密的按照每一个步骤进行工作、扫地机器人会为自己设定下严格的行进路线……换句话说，现在的机器人还是太不智能了，几乎没有容错机制，自然也应用不上人造肌肉灵活弹性的优点。即使今天深度学习有所发展，大多也是通过高频高效的计算来给机器人输出灵活而严密的指令。
不过有趣的是，当初容错性较高的模糊控制理论之所以没能很好的发展，一部分原因就是机械驱动和金属材料在模糊控制下容易出现事故。
相信未来随着模糊控制理论的发展，未来我们也许会允许一个小机器人在房间里四处乱转来熟悉环境，人造肌肉就会派上用场。
当然，目前人造肌肉本身的造价、工作效率、控制能力尤其是工业化程度也比不上机械驱动。或许未来当人造肌肉逐渐走出实验室，总有一天钢铁和塑料不再会是机器人的全部。

丽莎老师讲机器人之无人机送餐。

不久前，从上海传来了一个重磅消息！中国首批无人机送餐航线正式获准，而申请者正是饿了么！
据悉，此次获批的航线达到了17条，均在上海金山工业园区内，这些航线的平均路程为 2.2 公里，覆盖的配送面积达到 58 平方公里，可以服务 100 多家外卖商家。
随着这个消息的公布，也就意味着，无人机送餐时代正式开启！上海已经获批，其它城市还远吗？可以预见，未来不久，在各大城市都将出现无人机送餐！
无人机送餐只是其一，饿了么更带了一个振奋的消息！推出无人机送餐，不是为了代替送餐员，而是人机协作！
把整个无人机覆盖的领域，分成几个大区，每个大区都设置一个无人机集散点。就比如，A区域的送餐员负责把A区域的商家外卖送至A无人机集散点；再由无人机送至B区域无机人集散点，再由B区域的送餐员取走外卖，送至用户手中！
在整个送餐环节中，无人机飞行距离约占配送全程70%，但商家与用户完全看不到无人机的身影。
饿了么也曾对这一方式进行过回应，官方称：“这种配送方式所需时长及成本比纯陆路运输要低很多”。
据悉，此次获准飞行的无人机航线共17条，合计覆盖面积58平方公里，已有100余家外卖商家接入了这一服务，平均20分钟即可取到外卖。
以后，你点完餐可能就会收到如下信息：
您的订餐已经被1037号无人机取走；您的订餐正在飞来的路上；您的订餐已经在窗户外，请打开窗户接收。
2、无人机的出现 =节省时间+减轻工作+安全
无人机在快递物流市场有着距离短、成本低、效率高等优势。
直线距离最短
无人机在空中飞行线路为直线，距离最短，几乎无视地形，没有传统快递配送的运输路线局限性。
运营成本较低
亚马逊公司的无人机送货服务，可以让快递小包裹的每件成本降到只有1美元左右。
效率高，速度快
当前无人机在物流行业主流速度在每小时几十公里到上百公里不等，以DHL为例，多旋翼无人机PARCELCOPTER 第三代已经达到了70km/h。
适用于小批量，高频次运输
根据亚马逊统计，85%左右的快递件均轻于5磅(约2.27Kg)，意味着有大量的件可以通过无飞机完成配送。
世界各国针对无人机主要针对飞行员进行严格要求，并画出禁飞区域(飞行范围)，来保证安全。监管有意向给予通航协会更多监管权限，但仍希望有统一的平台实现无人机可控可管。无论是资本投入、企业资源配置还是市场的参与度，民用无人机行业已经从盲目扩张转向有节制发展，从狂热无序的初期逐步走向理性健康发展的新阶段，但是发展前景依然光明。
无人机降低成本、注重实用将是今后无人机产业发展的重要特征。
3、“无人时代”到来 让内心胆怯者更胆怯
明年的今天，你可能在写字楼的工位上，就会收到午餐外卖，而无需下楼；也有可能在机场的候机大厅里，遇见各处穿行的机器人兜售饮料；甚至可能直接在宿舍楼下收到沉甸甸的快递，而无需再走到学校大门口……
是的，你可能很难见到外卖小哥那张帅气的脸了。
其实，不管你是送外卖的，还是做前台的，每天混吃等死，又毫无核心技能，在人工智能时代面前，该类基层员工终究会被淘汰。
不仅仅是外卖业，各行各业都面临着人工智能的挑战。可以预见，未来，可能没有一个行业能够离开智能这两个字。
如今，淘宝代替了线下百货，支付宝代替了银行卡转账，微信代替了短信，共享单车代替了传统自行车......
同样的事情，在AI领域也会发生。工业机器人会代替工人，现在已经有了机器人工厂；医学上，达芬奇机器人已经能帮医生完成低创伤的手术，还能远程操作；家庭生活中，比如日本的Pepper家庭机器人，可以跟你聊天、陪小孩学习等等。
现在AI对普通人的门槛正在慢慢降低，很多容易上手的软件包都被开发出来了，一般受过高等教育的人，都能很容易地使用。你会看到，AI技能也在傻瓜化。
而这次的无人机外卖和无人机快递，可能只是一个开始。
而智能之后，接踵而至的就是无人：无人超市，无人物流，无人加油站，无人驾驶，无人酒店……
比如，最近这些新鲜出炉的无人行当：
1、无人餐厅来了：消灭服务员，跟waiter say goodbye。
马云已经正式宣布：刷脸吃饭时代来了！
2、无人财务来了：财务人的工作地位岌岌可危！
近日，在上海会计举行的一场财务分享沙龙上，德勤“小勤人”曝光引发了行业地震。
“小勤人”几分钟就能完成财务几十分钟才能完成的基础工作，还能够不间断工作！
3、无人交易所来了：交易大厅空空无人！
君不见，2000年时，高盛公司在纽约的美国现金股票交易柜台雇用了600名交易员。但现在，这里只剩下孤零零的两名交易员独守空闺了。
的确，一个人工智能时代，正以前所未有的速度和影响，向我们迎面而来！可以说，在越来越多的领域，人工智能正在快速超越人类。
在这一个个智能的背后，不仅代表着产业的重大变革，同时也预示着我们更多的人未来或将无工可打。
换句话说，大批的翻译、记者、助理、保安、司机、交易员、客服……都可能在不远的未来，失去自己原来的工作。
4、能被人工取代的 是不愿意提升能力的你
对于这些新科技的出现，很多担心人会导致大量失业，没有工作可找！都让机器给抢走了！其实，根本无需担心！机器代替的只是简单的体力劳动，机器也只是辅助人类有效率完成工作的工具。
电脑的出现，颠覆了许多行业！但结果了，还不是成为了各行各业的得力助手，让工作变得简单化！会计不再需要用笨重的算盘了，文员不再需要随身带笔记本和笔了，等等...
技术的变革，固然会消灭一批低端、繁重的岗位，却也会创造一大批更高端、更需要智慧的岗位。
这也就是为什么最近，国家突然宣布：2030年一定要抢占人工智能全球制高点，还要在中小学设置人工智能课程！
未来，将是一个人机相互协助的时代，人类向文明又迈进了一步，脱离简单劳动，逐渐转变成脑力劳动！
在这个新时代，你不必担心没有工作可做，但前提必须是，你必须不断的提升自己！
就好比，当汽车出现时，你只需学会简单的驾驶，就可以从马夫蜕变成司机！
但是，如果你不去改变，在你的工作只需要学会简单的电脑操作时，你甚至连开机都不会。
那么等待你的会是什么呢？

丽莎老师讲机器人之五款火灾救援设备。

一、消防无人机 这架拉脱维亚公司开发的灭火无人机飞行高度可以达到248米、比一般消防云梯还要高9倍。无人机上安装的水管与消防车相连，为其提供水源。该无人机每次充电一个半小时，可以连续工作30分钟。
二、声波灭火器 这种灭火器是由美国两名大学生发明的。它通过低频声波来阻止氧气和燃烧物的结合，使燃烧物缺氧而灭掉。这些声波一般在30到60赫兹。
三、灭火球 这是一种圆球状的灭火器，你只需要把它扔进火里，用一个小小的爆炸就可以灭火。使用它灭火非常快，最快只需要3秒就可以灭火。灭火球内部装有干粉灭火剂，外部有十字形引线，投入火中之后，引线被点燃，引爆内部干粉，达到灭火效果。
四、LUF60 这是一种无线遥控移动消防支援设备。通过高容量正压呼吸机和水雾能够清理1公里内的烟雾、热量、和有毒气体。主要用于地铁、隧道、地下空间、大型化工企业等灾害现场。
五、防爆消防机器人 中国的这款消防机器人用于执行危险的消防任务。防爆机器人由操作人员远程控制，射水长达200米。它在紧急情况下可以灵活地攀登和穿越。

丽莎老师讲机器人之人工智能的明暗之争。

今年 4 月，麻省理工学院媒体实验室（The MIT Media Lab）的一个三人团队：联手创造了一个人工智能——诺曼（Norman）。不过，这个与惊悚片大师希区柯克的经典电影《惊魂记》中的变态旅馆老板诺曼·贝兹（Norman Bates）同名的 AI，是全世界第一个精神变态者人工智能（World's first psychopath AI.）。另外一提，如果你对于 MIT Media Lab 在去年万圣节推出 AI 与人类合写恐怖故事的人工智能 Shelley 还有印象的话，同样是来自于这个团队的项目。
MIT 作为全球最领先的学术殿堂之一，并不是真要把恐怖片的情节搬到现实生活中，他们的目的是告诉全世界必须正视一件事：用来教导或训练机器学习算法的数据，会对 AI 的行为造成显著影响。也就是说，有偏差、偏见的数据就会可能训练出带有偏差／偏见的人工智能，预测或分析出带有偏差／偏见的结果，就像不少科学家就以“garbage in, garbage out”这句话，贴切形容“数据和人工智能的关系”。
MIT Media Lab 指出，当人们谈论人工智能算法存在偏差和不公平时，罪魁祸首往往不是算法本身，而是带有偏差、偏见的数据。尽管在训练模型时是使用同样的方法，但使用了错误或正确的数据集，就会在图像中看到非常不一样的东西。
诺曼是一个会生成图像文本描述的深度学习方法，当诺曼看到一张图像，就会自动产生文字或标题来解释它在该图像中看到了什么，但特别的地方在于，MIT Media Lab 使用 Reddit 论坛上充斥着令人不安的死亡、尸体等暗黑内容的子论坛（subreddit）的数据来训练诺曼，然后，他们将诺曼与一般性的图像标题神经网络一同进行了罗夏墨迹测验。
罗夏墨迹测验是由瑞士精神科医生、精神病学家罗夏（Hermann Rorschach）创立，最著名的就是投射法人格测试，受试者通过一定的媒介建立起自己的想象世界，因此被视为是一种个性测试法。两相对照下，有了令人毛骨悚然的发现。
从墨迹测验可以看到，一般 AI 看到的都是较为常态或乐观的意象，例如小鸟、鲜花，但诺曼看到的多偏向冲突性、死亡场景，像是被枪杀、触电而死。在诺曼项目的官网（http://norman-ai.mit.edu/）可以看到更多测试结果。
诺曼代表的是一个案例研究：当有偏差的数据被用于机器学习算法时，人工智能就会走偏、甚至走向危险的道路。诺曼的开发者之一、 MIT Media Lab Scalable Cooperation 助理教授 Iyad Rahwan 接受 BBC 采访时就指出，诺曼 AI 能反映出非常黑暗的事实，说明人工智能可以学习这个世界中的恐怖现实。不过，诺曼项目的团队设立了一项功能，可以让人们回答自己所看到的世界，可能会帮助诺曼修复自己，把它从暗黑世界里拯救出来。
诺曼可以说对外展现了“网络黑暗角落”的数据对 AI 世界观造成影响的一个研究案例，但诺曼并不是唯一，现实生活中的 AI 若受到有缺陷数据的训练，均可能产生类似负面状况，用了带有偏见的数据，训练出带有偏见的模型、预测出带有偏见的结果，加速传播或放大某些族群对另一个族群的偏见，例如种族歧视、性别歧视、对 LGBT 人群的歧视等。
除此之外，AI 军事应用，以生成对抗网络（GAN）创造假视频、假图像也是相关技术遭滥用的案例。
谷歌参与美国国防部底下代号为 Maven 的项目，全名称为“算法作战交叉功能工作小组”（Algorithmic Warfare Cross-Functional Team，AWCFT），旨在通过设计好的算法取得战斗优势，例如为打击 ISIS 恐怖组织，美军内部已设立一专门小组，负责加速解析无人机每日例行性收集的照片与视频，其中合作的对象不只是谷歌一家。
有时候，军力常被误以为是国力的一种象征，在这种权力欲望的驱使下，加入 AI 军备赛的国家可能只会更多。
日前，印度媒体就报道，为了不在发展 AI 监控及防御系统的领域落后，印度已成立一个 17 人、发展智能武器的特别小组，印度国防部秘书 Ajay Kumar 对外说明成立此 AI 特别小组的原因在于，“世界正走向人工智能驱动的战争，印度正采取必要措施来准备武装实力”。印度总理 Narendra Modi 甚至强调人工智能和机器人等新兴技术可能是未来防御和进攻能力的关键，必须为这场新的军事变革做好准备，印度将努力通过在信息技术领域的领先地位来取得优势。
“自主武器确实很可怕，”“如同我们上述讨论的，目前的机器学习系统无法解释道德需求，它们不知道什么是种族主义，不知道什么是杀人。它们只是在做简单的任务，如脸部识别，他们的输出来自于某些人类写进去的规则，而允许这样的系统杀人是不负责任且疯狂的。
这一波的人工智能风潮来自于机器学习领域取得了很大的进展，如前所述机器学习除了能做好事，也能做恶事，用在武器可以杀人，用 GAN 制作假图像、假视频，可以骗人，用带有偏见或偏差数据及算法，可以歧视人。
因此，有一群来自行业界及学界的 AI 专家及研究者向全球大声呼吁，在发展人工智能的过程中，不应单纯以技术本位为出发，还必须重视三个关键：公平（Fairness）、责任（Accountability）、透明性（Transparency），所以，FAT ML 旨在打造公平、责任、透明的机器学习算法，希望人工智能用来做良善的事，而非伤害人类。
像是微软纽约实验室中就设立了一个 FATE 小组，FATE 代表四个英文字 Fairness（公平）、Accountability（责任）、Transparency（透明）和 Ethics（道德）。
其实涉入五角大楼争议的谷歌，内部也设立了一个“人与 AI 研究”（People + AI Research Initiative）——PAIR 项目，由谷歌大脑的两位科学家 Fernanda Viégas 与 Martin Wattenberg 带领，目标是研究和设计人与 AI 系统有效互动的方式，以及发展以人为中心的人工智能，除了发表研究成果，还提供研究人员和专家使用的开源工具。
不只是产学界在推动，英国政府不久前出台了官方的发展 AI 原则，第一个准则就是：AI 应该为了人类良善和人类福祉而开发。准则二：人工智能应该在可理解和公平的原则下运作。准则三：人工智能不应该被用来削弱个人、家族或社群的数据权或隐私权。准则四：所有公民都有权接受教育，使他们能够在精神上、情感上和经济上与人工智能一起成长。准则五：不应该使用人工智能来发展能伤害、摧毁或欺骗人类的自主力量（autonomous power）。
不过，“除了这些坏角色之外，我同样担心人们可能在无心之下做出不好的事，而且他们自己并不知道，”谷歌云人工智能产品线主管 Rajen Sheth 如是说。
为什么说是无心的过错？就算对于人工智能只有简单了解的人都知道，数据可以说是训练机器学习模型的基础，喂给机器什么样的数据，就会训练出什么样的模型，当开发者或技术人员使用带有偏见的数据，就可能训练出带有偏见的模型，分析或预测带有偏见的结果，“garbage in, garbage out”。
相信在大多数的科学家或技术人员的心中，都存在“利用科技让社会变得更好”这样的价值观，但偏见、刻板印象有时涉及了难以量化定义的感觉、看法，如果研究者本身没有察觉或是没有意识到这类问题，就很难完全避免将偏见带进算法里。
在谷歌研究自然语言处理（NLP）的科学家 Daphne Luong 就表示，正确地校准标签，在机器学习是非常关键的，有些数据集其实并不平衡，像是维基百科上的数据，“他”（He）出现的次数远比“她”（She）来得多。
知名的独立调查机构 ProPublica 就多次揭露算法带有偏见的问题，例如评估罪犯再犯率风险的软件，往往会将黑人标记为在未来犯罪有更高的风险，另外数十家大企业包括亚马逊、Verizon、UPS 等，在 Facebook 投放招聘广告时利用算法排除年纪较大的员工，一些专家就质疑此种做法可能已经触犯了美国的“就业年龄歧视法”（Age Discrimination in Employment Act），该法禁止企业在招聘或就业方面对 40 岁以上的人存有偏见。
对于什么是机器学习算法的公平性，卡内基梅隆大学（CMU）教授 认为：“首先，应该把‘道德’摆在第一位，道德是指导我们如何行事的原则，它涉及了行动及其后果。”
当然，人类并非所有的行动都具有道德意义，像是每天早上我们决定穿哪双鞋出门，“但是，有些决定会产生重大后果，而且我们希望能避免某些行为模式，例如，避免某些族群拥有特权，以及避免他们利用特权为其他人群做决定。”
他指出：“当人类希望使用基于机器学习的系统进行自动化决策，机器学习就会开始接触道德规范”，当这些决定涉及某些伦理敏感领域时，就可能出问题。同时，“这里最大的问题是，现实世界中大部分的机器学习系统都是基于监督式学习（supervised training），它不知道行动的意义，它只是试图通过一系列的范例来猜测正确的答案。”
所谓的监督式学习是通过人类已标注的数据，学习或建立出一个模型。举例来说，银行在评估是否放款给某些人时，模型可能会看到一个由历史贷款申请人组成的数据集，每个数据组都与一个标签配对。每一笔申请可能带有一长串的属性，像是收入、职业、财务历史、想借贷的金额等。机器学习模型使用上述属性尝试找出一个公式，以预测这笔贷款是否会违约。银行就使用这种模式，决定接受低违约率（低于某个阈值）的申请者作为客户，并且拒绝其他人的申请。
那么，在令人担心的敏感属性（sensitive attribute）部分，例如性别歧视或种族歧视，我们可能认为在训练模型时，忽略这些信息是可以接受的。但是，问题在于敏感属性、不敏感属性（insensitive attribute）和标签（label）通常是相关连的，模型并不知道它们是相关的机制，它不知道什么时候 A 组在工作上的表现比 B 组更好，是根据教育背景还是歧视？目前机器学习的多样性，还无法推论行为或其后果，因此从根本上说，它无法作出任何种类的道德区分。
机器学习模型很可能在无心的情况下发展出有偏见的模型，从科学家的角度来看，有方法可以避免这个问题？如何过滤掉训练数据集中的偏见或刻板印象？
“偏见”这两个字有时被不精确地使用，所以在阅读讨论算法偏见的论文或研究时，要特别观看内容及定义，以免被时被不精确地使用。
“简短的回答是：没有（Short answer: no）。有很多的期望，但事实是，没有银子弹（silver bullet）。”
“那么你可能会说，机器学习 100％ 都是刻板印象”，换句话说，机器学习从来不知道“为什么”两件事会合在一起，只知道它们在统计上是相关的，但它无法区分某些决定是基于合理基础，或是某些不良的关联是来自社会上的歧视。“有很多想去除模型偏见的神奇想法，在这个领域没有可以迅速解决困难的有效方法。这个世界没有魔法，也没有可使所有问题都消失的“公平算法”，只有仰赖“批判性思维（critical thinking）”！”他强调。
同样重视人工智能在公平、责任、透明之下发展的亚马逊 AWS 深度学习首席科学家 Anima Anandkumar 则对 DT 君表示，过去谈人工智能很多人只会在意“正确性”，但随着机器学习引发的争议，证明还得关心更多，仅管她坦言在推广 FAT ML 遇到的第一个问题就是难以定义，每个人对于公平、责任、透行可能有不同的见解，不过，没有标准答案不代表没有解决方案，如果要让机器学习往良善的方向前进，最关键的作法就是“团队和社区的多样性”。
她举例，包括数据多元性、研究团队中成员的多元性，包括性别、专业领域如社会学家、心理学家等人的观点、年龄，甚至是工具的多样性，“人工智能不只是科技人的事，必须从科技的圈子跳出去，和其他领域的专家一起合作，多元性越高，就越可能避免问题产生。”人工智能在未来对人类社会的影响只会更深且广，因此还需要透过教育让学生尽早了解人工智能可能产生的问题及影响，以及学习使用相关工具，才有机会让新世代的每个人都能取用人工智能。
因此，从长远来看，Zachary Lipton 认为，人类需要做两件事。首先，要非常小心如何以及在哪里使用机器学习，来做出某些相应的决定。其次，我们需要监督式学习之外的东西，并且追寻更了解创建数据的世界以及自动化行为对世界的影响。
如同 Zachary Lipton 的看法，不少学者或科学家都投入发展非监督式学习（unsupervised training）的研究，在进行非监督式学习的模型训练时，使用不带任何标签的数据，由算法自行分类、识别和汇整数据，通过减少人为介入，相对能够消除任何有意识或者无意识的人为偏见，进而避免对数据产生影响。Facebook 首席科学家 Yann LeCun 就曾公开指出，非监督式学习是突破 AI 困境的关键。
任何科技的诞生都有好的一面，以及坏的一面，Google Research Applied Science 部门主管 John Platt 举例：“烦人的垃圾电子邮件从 80 年代就有了，一直到 1997 年左右，才有第一个邮件过滤器的问世”，而且加入机器学习后，更有效的阻挡垃圾邮件，每天都有新的 AI 使用问题诞生，但每天也会有更多解决问题的工具出现，就像上述的假视频，除了 DARPA，还有许多研究机构也在开发可以检测假视频的工具，像是卡内基梅隆大学软件工程研究所的计算机科学家团队、麻省理工学院团队，都已经投入该领域数年。
为善与作恶、真实与虚假、公平与偏见，是人工智能的一体两面。阻恶、打假、去偏，就成了新的任务。没人知道未来会如何，但是，预测未来的最好方法，就是靠自己去创造。

丽莎老师讲机器人之AI也会山寨，也会造假。

“AI 造假”是什么？
首先来看一段视频：奥巴马用英语说：“川普总统完全就是个笨蛋。”这段无法在Buzzfeed上传的视频的原因大概是：它是假的！
且不说前总统怒怼现总统制造出的火爆话题，这支视频在推特上狂揽 5 万转发和 12 万赞，它的制作工具也非常有意思，采用的是 Adobe AE 和 FakeApp。
FakeApp 是一个用于生成假视频的“换脸”软件，使用者训练 AI 算法让破绽明显的换脸视频变得更加“真实”。于是，很多人开始利用这个技术把“小电影”主角的脸换成自己喜欢的明星。
未来的电影若是这样制作的，倒也无可厚非。那么，如果是新闻呢？如果是监控探头中的视频呢？AI 若被用来制造假图像、假视频并进行散布，普通群众上当受骗、失财是小，加剧社会冲突、威胁国家安全也未尝不可。
说起“AI 造假”技术的飞跃式发展，是在生成对抗网络简称（Generative Adversarial Networks，简称 GAN）出现之后。
2018 年《麻省理工科技评论》评选的“全球十大突破性技术”将生成对抗网络 GAN 选入其中，评价道：
“生成对抗网络（GAN）给机器带来一种类似想象力的能力，因此可能让它们变得不再那么依赖人类，但也把它们变成了一种能力惊人的数字造假工具。”
《福布斯》也将 生成对抗网络GAN 列入“过去三年最佳创新技术榜单”，与实用性增强现实、云计算、人工智能与深度学习应用等前沿技术齐名。
生成对抗网络GAN 的发明者 Ian Goodfellow 现为谷歌大脑研究科学家、《深度学习》教科书作者之一。2014 年的一晚，他想到让两个神经网络互相对抗会产生怎样的效果......于是他提出了生成对抗网络 GAN。
关于生成对抗网络 GAN，我们可以简单理解为一个制造仿制品的名画仿造者和一个鉴定师。两者在互相博弈的过程中训练自己的技巧，让各自的技能得到提升。最终，仿造者会生成鉴定师无法判断的赝品。
如此一来，生成对抗网络GAN 赋予机器更加强大的“分析能力”，同时也提升了机器的造假能力。
目前在生成对抗网络 GAN 领域的研究已经有很多。2016 年 Ian Goodfellow 和谷歌大脑另一位大牛 Alexey Kurakin 在 GeekPwn（极棒）黑客大赛硅谷站现场演示了成功利用打印出的对抗样本图像欺骗视觉分类器，证实对抗样本能够产生现实危害。
2017 年，极棒上海站选手、来自中国金融认证中心（CFCA）机器学习实验室成功利用生成对抗网络 GAN 让 AI 模仿笔迹并成功骗过专业笔迹鉴定专家。
笔迹作为签名者的身份象征自古以来就存在，因为那时签名是可信的，大多数情况下不可伪造。但是现在机器掌握了这门模仿技艺，可以充当司法证据的笔迹鉴定遭到了前所未有的“灭门之灾”。
前文提到的 2018 年突然爆火的“小”视频换脸应用 DeepFake，同样采用了生成对抗网络 GAN 技术。
生成对抗网络GAN 的发展似乎已经超过了专家学者的预料，连假新闻都“搞不定”的人类又该如何面对危机四伏的假图、假视频、假笔迹呢？

丽莎老师讲机器人之能解毒的微型机器人。

要为大家介绍一种新的微型机器人。近日，美国加州大学圣地亚哥分校的工程师们开发出一种由超声波供电的微型机器人，它可以在血液中游动，去除有害的细菌以及它们产生的毒素。
这项研究于5月30日发表在《Science Robotics》杂志上，它融合了加州大学圣地亚哥分校雅各布工程学院纳米工程系教授 Joseph Wang 和 Liangfang Zhang 开创的技术。Wang 的团队开发了超声波供电的纳米机器人，Zhang 的团队发明了在自然细胞膜中涂覆纳米颗粒的技术。
研究人员在金纳米线涂上血小板和红细胞混合物的膜，制造出纳米机器人。细胞混合物的膜涂层，使得纳米机器人可以一次开展两种不同细胞的任务：血小板，捆绑耐甲氧西林金黄色葡萄球菌（MRSA）病原体（一种耐抗生素的金黄色葡萄球菌菌株）；红细胞，吸收并中和这些细菌产生的毒素。
纳米机器人的金体可以响应超声波，使其在没有化学燃料的情况下迅速地游来游去。这种移动能力帮助纳米机器人在血液中与它们的目标（细菌和毒素）有效地融合，并加速解毒。
Wang 表示：“通过将自然的细胞涂层结合到人工合成的纳米机器上，我们能够赋予微型机器人新功能，例如从身体和其他母体中去除病原体和毒素。这是一个适合各种疗法和生物解毒应用的概念验证型平台。”

论文的共同第一作者、加州大学圣地亚哥分校 Wang 的研究小组的博士后访问学者 Berta Esteban-Fernández de Ávila 表示：“这个想法创造出的多功能纳米机器人可以一次开展不同的任务。在每个纳米机器人涂层中将血小板和红细胞相结合，可以产生相互促进的作用，血小板的攻击目标是细菌，而红细胞则是针对细菌产生的毒素并中和这些毒素。”涂层也可以防止纳米机器人受到一种称为“生物淤积”的过程的影响。当蛋白质聚积在外界物体上，会妨碍它们正常工作。
为了创造出混合物涂层，研究人员首先将整个膜从血小板和红细胞中分离出来，然后施加高频超声波将这些膜融合到一起。因为膜是从实际的细胞中分离出来的，所以具有原始细胞表面蛋白质的所有功能。为了制造这种纳米机器人，研究人员采用特定的表面化学将混合物薄膜涂覆到金纳米线上。
纳米机器人的宽度不足人类头发丝的1/25。通过超声波供电，纳米机器人在血液中游动的速度可达35微米每秒。在测试中，研究人员采用纳米机器人处理受到MRSA及其毒素污染的血液样本。五分钟之后，这些血液样本中的细菌和毒素的数量，变为未经处理的样本中的细菌和毒素的数量的三分之一。
这种概念验证型纳米机器人，未来将为生物体液的解毒与净化提供一种安全有效的方法。这项研究仍处于早期阶段。研究人员表示，最终的目标并不是将纳米机器人专门用于治疗MRSA感染，而更普遍的应用是为生物体液解毒。

丽莎老师讲机器人之如何设计不认人讨厌的AI，必须了解的“恐怖谷”理论。

随着AI时代的到来，越来越多的智能设备进入了我们的生活。它们在给我们带来更多功能和便利的同时，也被赋予了更多“人性化”的特征，比如能说会动，有人格有情绪，甚至会思考。
面对这么多越来越“像人”、越来越“智能”的设备，人们会产生什么样的感受呢？是喜欢还是反感，是接受还是担忧？
这就涉及到我们今天要介绍的理论“恐怖谷”。
什么是“恐怖谷”?
大家有没有过这样的经历？当你在看一些动画电影中的角色，比如《冰雪奇缘》中的Elsa公主，你会觉得她很美丽，很吸引人。
而当你看一些科幻电影中的角色，比如《最终幻想：灵魂深处》的女主角Aki，你会觉得乍一看人物形象还挺逼真的，但总觉得动作表情有些僵硬，给人怪怪的，不太舒服的感觉。
这是为什么呢？其实可以通过“恐怖谷”的理论来进行解释。
“恐怖谷”理论最早是1970年由日本机器人专家森政弘提出的，当机器人与人类的相似度极低（如图，工业机器人）时，人们对它没有太多的情感反应。
当这些非人的物体开始被赋予一些人类的特征，在外形和动作上同人类逐渐接近时，人们对它的亲近感和好感度会逐渐增加。
但当它与人类相像超过一定程度，人们对它的好感反而会下降，呈现一个情感反应的低谷，即“恐怖谷”。

当它与人类的相似度继续上升，人们对它的好感会再次回到正面。
“恐怖谷”效应是如何产生？
解释“恐怖谷”效应成因的角度很多，这里主要介绍最核心的三种。
一种解释是“认知失调”。
简单来讲，就是“预期”和“真实”情况不一致导致认知冲突。当类人物体和人类的相似度很高时，我们潜意识里会把它视为我们的一员，而对于我们人类来讲，每天接触各种各样的人，人是什么样子的，能长成什么样子，应该有怎样的动作表情，我们都很清楚。
当它有任何不像人的地方时，我们很容易就能察觉，并和我们本来的预期产生了矛盾，我们无法马上解决这种矛盾时，内心的不舒适甚至不安和恐惧就发生了。
2011年，加州大学圣地亚哥分校的认知科学家艾斯•塞金（Ayse Saygin）通过脑成像实验发现，人们在观看仿真机器人的活动影像时，大脑与运动感知相关的区域活动会比观看人类和普通机器人更加活跃。
因为当我们看普通机器人和人类活动时，他们的外观会帮助我们提前预测他们的运动方式，而实际看到的结果就如我们预期的一样。
仿真机器人却不同，他们外观酷似人类，动作却和机器人相同，这在我们头脑中造成了与预期不符的矛盾，从而要调动更多的大脑区域来协调这些矛盾。
这一结果正好可以佐证“认知失调”这一解释。
还有一种解释是“共情抑制”。
即当我们看到一个既像人又不像人的个体时，无法很好地感受和理解对方的情绪和情感状态，我们的“共情”能力出现了障碍，这让我们感觉很不舒服。
2007年，在日本京都国际电气通信基础技术研究所工作的蒂埃里•查米纳德（Thierry Chaminade）和他的同事做了一项研究，他们给参与研究的志愿者播放了一组拟人度不同的电脑合成角色，同时对这些志愿者的脑部进行核磁共振扫描。
结果显示，当志愿者看到拟人程度很高的角色时，脑中负责心理化（Mentalizing）的区域活动会明显增强。
所谓心理化，包含理解他人情感的能力。这一区域活动增强说明人们在理解那些高拟人程度角色的情绪/情感时出现了困难，这在一定程度上支持了“共情抑制”的解释。
也有一些研究人员会从“进化选择”的角度进行解释，指出人类会从本能上排斥那些看起来不太正常的、病态的个体，以此来保护自己，而这些不正常、病态的特征通常都是由面部和肢体表现出来的。
所以当我们看到那些看似逼真，却面色惨白、表情僵硬、动作机械的仿真机器人时，会不自觉地联想到“不健康”、甚至“死亡”，这时候就会产生不适、反感甚至恐惧的感觉。
我们前面说的“恐怖谷”理论基本都是围绕着外表和动作的视觉感知层面，而随着AI时代的到来，人们越来越多地使用语言直接和一些智能设备进行对话。
“机器的语言”是否也存在“恐怖谷”？
有研究者尝试探索过在声音的自然度方面是否存在“恐怖谷”效应，发现在当时的实验条件下，声音的自然度方面，并不存在“恐怖谷”效应。
2014年，捷克皮尔森西波西米亚大学应用科学系的研究人员，曾探讨过在语音对话系统中TTS（通过技术的手段把文本转成语音）和“恐怖谷”之间的关系。
他们让30名受试者（大学生，覆盖技术和人文学科背景）分别同AI语音交互系统进行两段对话，分别对应TTS合成的两种声音，机器化的声音（声音A）和自然度高的声音（声音B），然后让受试者评价对两种声音及两段对话的喜好度。
结果发现，近3/4的用户更喜欢自然度高的声音（声音B），且技术学科背景的学生喜欢声音B的比例更高。
除了声音的自然度，如果人们还能从“机器的语言”中感受到类人的情绪/情感，性格特征，逻辑思考及解决问题等能力时，是否会产生“恐怖谷”效应呢？
下面这个研究，可以从一定程度上给我们一些启示。
2017年，德国开姆尼茨工业大学的心理学家斯坦(Jan-Philipp Stein)和奥勒(Peter Ohler)做过一个实验，他们让被试通过VR观看一支3D影片，里面是一对男女正在进行一小段对话，整段对话包含多种情绪/情感状态，两人先是提到燥热的天气让人昏昏欲睡，接着女人开始抱怨她拥有的自由时间太少，而且那个还不出现的迟到朋友让她觉得很困扰，与此同时，男人在对话中会对女人的处境展现同情。
受试者分为4组，每组看的内容一模一样，不同的是被告知对话产生的方式不一样。
研究者告诉组1和组2的受试者，这段对话是两个真实的人在说话，其中组1的对话内容是提前设计好的，而组2则是现场自主产生的。
而组3和组4的受试者，则被告知其实是电脑在后台控制着屏幕上两个人的对话，只不过组3的对话内容是提前设计好的，而组4是自发产生的。
结果发现，组4（被告知对话是由电脑操控且自主产生）的受试者表示他们在观看影片时会有特别怪异的感受。
研究人员认为，这可能是因为当他们觉得电脑是主动表现出同情、困扰等情绪/情感时，会觉得不安，甚至恐惧，担心人类的独特性和掌控权会受到威胁。
从以上可以看出，对于“机器的语言”，在声音的自然度方面并不存在“恐怖谷”效应；而当声音带有情绪/情感时，则会触发“恐怖谷”效应。
目前“恐怖谷”理论比较多地被应用于影视、动画、游戏制作领域，也出现了不少跌入“恐怖谷”的失败案例。
如开篇提到的《最终幻想：灵魂深处》中的女主角Aki。
还有好莱坞电影《极地特快》，全球第一部全部使用数字捕捉技术的高仿真动画电影，其人物角色逼近真人，却招致不少批评声，有人说它给人一种毛骨悚然的感觉，有人觉得人物形象有点像僵尸，甚至有人认为这部片子应该起名为“活死人之夜”……
如何避免跌入“恐怖谷”？
目前来看，比较有效的方式是不挑战“恐怖谷”，止于谷前，消除 “似是而非”的状态，明确非人的特征。
其中，最常见的手段是风格化，通过艺术处理来告诉玩家，眼前的事物是虚拟的或者是非人类的。一旦玩家接受了这个设定，他们身上所具有的人的特征就会特别迷人。
风格化的具体表现形式可以有很多：比如说卡通渲染风格（如《冰雪奇缘》、《超人总动员》），哥特阴郁风格（如《僵尸新娘》、《寻梦环游记》），面部艺术化处理（如《最终幻想15》）等。
其中值得一提的是《阿凡达》，它首先给予纳威人一个“外星人”的设定，使观众从心理上就不会把他们当作人来看待，同时通过非常态的表现，重新设计了纳威人的表情、动作和语言文化表现，让纳威人“外星人”的特点更加突出逼真。
对于目前已经在我们生活中出现以及未来还会大量出现的各种智能设备，我们在设计它们的时候，在希望它们变得越来越“像人”、越来越“智能”的时候，应该也要同时考虑到这样会不会引发 “恐怖谷”效应，要有意识地去规避这种效应。

丽莎老师讲机器人之人工智能的几起几落。

1950年，“人工智能之父”马文·明斯基与他的同学埃德蒙一起，建造了世界上第一台神经网络计算机；被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。当时有很多学者认为：二十年内，人工智能会做到人类能做到的一切。
但随后，人工智能就进入了低谷期。这主要是因为三个方面的原因：计算机性能不足，问题的复杂性，数据量严重缺失。
之后，1980年，一套名为XCON的“专家系统”横空出世，其价值甚至高达5亿美元，并衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等这样的硬件，软件公司。
可惜的是，7年后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。直到1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，才又一次在公众领域引发了现象级的AI话题讨论。
2016年3月，继IBM深蓝之后，谷歌DeepMind的AlphaGo在四场比赛中击败了国际围棋世界冠军李世石，人工智能才一举成名天下知，并真正引爆了一场商业革命。谷歌、微软、百度等互联网巨头，还有众多的初创科技公司，也纷纷加入人工智能产品的战场，掀起又一轮的智能化狂潮。
以语音交互为例，上个世纪80年代，语音交互技术已经取得技术上的突破，但最近几年，随着深度神经网络（DNN）被应用到语音的声学建模中，我们才看到以Apple Siri为首的智能语音助手、以Echo为首的智能硬件入口等等。
人工智能发展现状：
人工智能是第四次工业革命最大推动力之一，这已经是看得见的。但要真正走入我们的生活，技术上还有太多问题。
在她看来，以计算机视觉为例，过去五年，在物体识别方面取得的成就是最大的。但是即使是物体识别，也有很多问题没有解决。比如，要识别牛仔裤，是识别不出来这是哪个牌子的牛仔裤的，对电商企业来说就没有价值。
艾莉森·戈普尼克 （Alison Gopnik）甚至谈到，四岁儿童都能轻易解决的问题，却会难住最强大的电脑。“我的孙子仅仅需要更为有限的数据和训练，就可以轻松识别动物，或者回答口头提问。对四岁儿童来说很容易的问题，交给计算机就变得非常棘手，比学会下棋要难多了。”
目前专用人工智能已经取得突破性进展，比如下围棋。但如果提及人工智能系统将超越人的智能水平，我认为这是炒作。还有人工智能达到几岁小孩的水平，这也是炒作。
至于炒作的原因，有的是有意的，有的则是概念误解混淆造成的。比如经常有人把机器学习看成人工智能，但这只是人工智能其中一个研究方向；又把深度学习看成机器学习，但深度学习只是机器学习一种方法；或者把图像识别看成人工智能，这只是人工智能一个方向；或者把大数据看成人工智能、专家系统看成人工智能、机器人看成人工智能……
那么什么才是真正的人工智能呢？
至少应该是通用的人工智能。我们人的大脑就是一个通用的智能系统。同样一个大脑，学习以后可以下围棋也可以下象棋，能够举一反三、融会贯通、思考学习、规划决策，一脑百用。目前的人工智能还有很多不能做的事，而有的事对人来说非常简单。
就此论断，人工智能总体发展水平仍然处于起步的阶段：现在人工智能是有智能没有智慧，智慧是高级智能，有意识，有悟性，可以决策；人工智能有智商没有情商，科幻电影中跟人类谈情说爱的人工智能还差得很远；人工智能会计算不会算计，一个词倒一个顺序，这个概念完全不一样；人工智能有专才没有通才，下围棋的阿尔法狗不一定会下象棋。
这离麻省理工学院物理学教授Max Tegmark所著的《生命3.0》一书中描述的未来生活还差得十万八千里。
他在书中讲述了未来1万年的生活：我们想要被人工智能接受吗？我们想让人工智能保持清醒吗？我们想要创造什么样的生活形式？我们想要在整个宇宙中传播什么文明？
在这方面，Tegmark描述了许多场景，比如：保护神（无所不知和无所不在的人工智能，最大化人类的幸福），动物园管理员（人类在人工智能动物园），被奴役的神（被囚禁的AI），征服者（AI摆脱人类）和自由意志的乌托邦（人类和人工智能共存）。每一种情况都要根据可行性、优点和缺点进行评估。
或许人工智能就是如此吧，那么，在人工智能萌芽之初，请把人工智能当做一个孩子，呵护他，让他好好成长。

丽莎老师讲机器人之活体肌肉构建机械臂，人类与机器融合新突破。

首先让我们来看一段视频：
一只其貌不扬的机械臂，颤巍巍地逐渐靠近塑料圆环，弯曲、抬起、带走它、移到旁边的圆柱上、伸直、放下它……
这有什么稀奇？
秘密就在机械臂上方两侧粉嫩嫩的部分。
那是，活生生的，肌肉！
这个机械臂采用了“生物混合(biohybrid)”设计，模拟人类手指的结构和功能，用两组大鼠肌肉来控制机械臂关节。
也许叫它“机械指”更合适。
而且，这个使用了活体肌肉的机械指，还能相互协作，提起重量更大的东西。
这个能直能弯的机械指看起来简陋，内部结构却并不简单
机械指的中心是一根“骨架”，带有一个关节，骨架顶端和中间分别有两个电极。在两对电极之间，有四个活动的锚点，上面生长着两组对抗性的活体骨骼肌，下边的两个锚点带有柔性连接带，连到关节的两侧。
肌肉受到电流刺激会收缩，也就带动着关节运动，完成了机械指的弯曲动作。
虽说用到了活体肌肉，但制造过程中并不需要磨刀霍霍向大鼠。这些肌肉是直接从机械指的骨架上“长”出来的。
为了让树脂骨架长出肌肉，科学家们在上面铺满了包裹着成肌细胞（大鼠肌肉细胞）的水凝胶片。
水凝胶片只能保障肌肉长大，却不能一直让它存活下去。所以，这个使用活体肌肉的机械指有一个非常大的局限：只能生活在水里。
这么艰难，为什么还要用活体肌肉呢？
因为机器人通常用的那些塑料、金属之类的材料，无论是运动幅度还是弹性都比肌肉差远了。
活体肌肉性能好，但真正用到机器人上，就面临这个一个非常现实的问题：一条肌肉能用多久？
这项新研究的答案是：“长达”1周。
论文的作者之一Takeuchi之前就在机器人上用过活体组织，但是，寿命都非常短，用不了几次，肌肉就会收缩到无法工作。
这次，为了延长活体肌肉的寿命，他们使用了一种特殊的结构：让肌肉对抗性成对排列。
所谓“对抗性”，我们胳膊上的肱二头肌、肱三头肌之间，就是这个关系。肱二头肌收缩时，肱三头肌自然就舒张开来，反之亦然。
这种设计，除了延长肌肉的使用寿命之外，还让这个机械臂的关节旋转范围达到了90度。
这个机械指目前堪称简陋，寿命也就一周，但是在它背后，是制造机器人的一种可行新方法，几位科学家的目标也当然不止于此。
他们接下来，不仅要优化关节结构、延长这种机器人的寿命，也想继续拓展的它的能力。
作者之一、东京大学工程师Takeuchi在接受《国家地理》杂志采访时说：“如果我们能在一台设备中加入更多这样的肌肉，我们就能复制出复杂的肌肉运动，构建像手、胳膊或者人体其他部分一样的机器。”
关于为机器人创造“肌肉”这件事，科学家们一直在努力。
例如今年初，科罗拉多大学的学者们宣布正在研发和人类肌肉一样，具有自愈能力的人造肌肉。而且造价只需10美分。
这种机器肌肉学名是：液压放大自愈式静电致动器（HASEL）。这个技术未来有望简化庞大的金属机器人，并让他们能更好的模仿人类动作。
这个人造肌肉是由植物油、水凝胶电极填充的小袋构成。通电之后，电极周围的油会产生收缩，而断电之后，机器肌肉会放松下来。
整个收缩过程在毫秒内完成，丝毫不虚人类肌肉。
去年底，哈佛和MIT携手合作，也开发了一个强大又廉价的人造肌肉。这个看起来软趴趴的东西，能提起比自身重1000倍的物体。
原理嘛，据说是受到折纸的启发。

丽莎老师讲机器人之智能除草机器人。

在瑞士巴伐利亚附近的一个甜菜地里进行的测试中，瑞士某初创公司的自动除草机，一种太阳能机器人，在瑞士的甜菜地里，看起来就像一个轮子上的桌子，用它的照相机来扫描成排的庄稼，辨认出杂草，用它的机械触须喷射出蓝色的液体。

在液体被除草剂取代之前进行最后的测试，瑞士机器人是新型人工智能除草机的一种，杀虫剂和种子工业减少了对通用除草剂的需求和对转基因作物的耐受。

在拜尔(Bayer)、道杜邦(DowDuPont)、巴斯夫(BASF)和先正达(Syngenta)等公司的主导下，该行业正准备迎接数字农业技术的冲击，一些公司已经在调整他们的商业模式。

据市场研究人员介绍，一年来，占农药总营收的46%，而90%的转基因种子都有抗除草剂的能力。

一些大型农用化学品公司的利润池将会转移，一部分给农民，一部分给设备制造商，作为回应，德国拜耳(Bayer)等生产商在中国化工公司先正达(Syngenta)正寻求开发适合新设备的农作物保护产品时，也为自己的精密喷涂系统寻找合作伙伴。

尽管仍处于初级阶段，这种植物副产品的方法预示着从标准的作物生产方式转变。

非选择性除草剂被喷洒在种植耐药转基因种子的大片土地上，是该行业利润最丰厚的商业模式之一。

机器人的设计可以减少农民使用除草剂的数量20倍。该公司表示，它即将与投资者签署融资协议，并将于2019年初上市。

去年，它还开发了一种机器，使用机上的摄像头来区分杂草和农作物，在必要的时候只喷射除草剂。

在加利福尼亚的森尼维尔市，一种将计算机视觉和人工智能结合在一起的农业机器的模型，将计算机视觉和人工智能结合在一起，以检测和精确喷洒除草剂。

“看见和喷洒”杂草控制机器，已在美国棉花田测试，被拖拉机牵引，开发人员估计，一旦作物开始生长，可以减少90%的除草剂使用。对植物的精确喷洒只会增加其重要性。

位于加州森尼维尔市的Blue River正在测试棉花田的一种产品，该公司计划在大豆等其他主要作物中分枝。该公司预计，在迪尔公司庞大的设备经销商网络的帮助下，该产品将在四到五年内广泛应用于农民。

像约翰迪尔这样的拖拉机和粮食作物的公司这样做，意味着美国中西部的玉米和大豆种植户不久就会开始使用精密喷洒。

尽管这项技术有望节省资金，但对一些美国农民来说，这可能是一项艰难的交易，因为5年的大丰收已经压低了玉米和大豆等大宗商品的价格。自2013年以来，美国农业收入下降了一半以上，减少了设备、种子和化肥的支出。

不过，贝伦贝格分析师尼克·安德森(Nick Anderson)说，这些发展让农用化学品的投资者们停下来思考。农业化学巨头们也注意到了这一点。

拜耳公司将成为全球最大的种子和杀虫剂生产商，收购转基因作物先锋孟山都公司(Monsanto)，将于今年9月与博世(Bosch)联手推出一项“智能喷雾”研究项目。

德国合作伙伴计划通过使用多达六种不同的除草剂来赶超竞争对手，拜耳希望该合资企业能够为一种新的商业模式做好准备——而不是蚕食其现有业务。

今年2月，拜耳作物科学部门负责人表示:“我认为，在三年内，我们将拥有一个强大的商业可行性模型。”

“我不关心阻尼销售，因为我们不把自己定义为销量。我们更愿意为无杂草的领域提供处方，我们根据结果的质量得到报酬。”

拜耳同意将包括博世项目在内的数字农业企业出售给德国竞争对手巴斯夫，以争取反垄断批准收购孟山都公司。但巴斯夫将向拜耳提供数字资产和产品的具体许可。

巴斯夫说，博世精密喷涂的合作非常有趣，但由于交易尚未完成，还为时过早。

先正达(Syngenta)表示，新技术的优势超过了对其商业模式的任何潜在威胁。

我们将通过制定专门针对这项技术的配方和新分子，即便它还没有直接投资于工程的计划，但先正达正在寻找合作伙伴，以提供产品和服务。

大型的农业化学公司将需要加速，使他们的企业为新的数字农业技术做好准备。

已经成熟的区域需要投入更多的资金，而不是在10年的时间内更好的定位。随着农民开始采用一些更先进的装备，这种紧迫感将会增加，精确导致效率，效率导致使用量减少，使用减少导致利润率下降或利润压缩，这将导致公司变得更瘦，更吝啬。

如果机器学习接管了基因工程在保护农作物免受除草剂的伤害方面的作用，转基因种子市场也会受到打击。

精准除草的出现同时也带来了全球大片的喷洒，比如草甘膦，受到环保人士和监管机构的抨击。

20多年来，在孟山都(Monsanto)的农达(Roundup)中使用的活性物质——草甘膦(草甘膦)，已经在美国农业区蔓延开来，产生了抗药性的杂草。

由于草甘膦对健康的潜在影响引发了争论，监管机构已提高了将全面化学制剂引入市场的门槛，并提高了对有毒风险的担忧。

爱荷华州立大学农学系副主席迈克尔·欧文认为，目前，农业化学巨头的成本将高达400亿美元。

拜耳公司的Condon说，在目前的环境下，精密喷涂可能是进一步尝试开发新型广谱或非选择性除草剂的最后一击。

“所有的东西在本质上都是有选择性的。不会有新的草甘膦。这可能是一个千载难逢的产品，”康登说。

目前，该行业正在恢复和重新制定更老的、广谱的药物，以完成抗草甘膦的杂草——同时，它也在销售新的转基因作物，对这些除草剂也能耐受。

精密喷涂可能意味着已经在某些杂草上失效的除草剂能够在更有效、更有针对性的剂量下成功使用。

但专家表示，新技术仍然需要新产品，一些化学公司也在考虑重新使用曾被认为成本过高或过于复杂的实验性除草剂。